全球气候变化不是单一的温度曲线，而是温室气体、气溶胶、野火、农业活动、生态系统反馈等多驱动因素耦合的复杂非线性系统。CMIP6模式输出以PB级增长，MODIS、CALIPSO、MERRA2、AERONET等卫星与地基观测数据格式各异（HDF、NetCDF、CSV），传统统计方法既抓不住长程时序依赖，也识别不了气溶胶-云-辐射强迫之间的空间非平稳关系。更关键的是，当审稿人要求你解释"为什么选这个模型""神经网络结构怎么画""预测不确定性如何量化"时，你发现自己的工具箱里只有线性回归和一张折线图。

气候科学正在经历一场由AI驱动的研究范式革命。

这门"智能气候前沿：AI Agent结合机器学习与深度学习在全球气候变化驱动因素预测中的应用"，不止教你跑几个Python脚本，而是构建"数据智能-模型智能-代理智能"的三层科研操作系统。

从数据工程到深度模型，全链路硬核技术：

数据层，Python科学计算栈（Numpy/Pandas/Matplotlib/Cartopy/Pyhdf）实战处理多源异构气候数据——从CMIP6模式数据的下载与降尺度，到MODIS气溶胶HDF格式读取、CALIPSO激光雷达垂直剖面解析、AERONET地基验证数据清洗，解决"数据在服务器上、却进不了分析流程"的工程瓶颈。

模型层，覆盖气候预测的完整算法谱系：ARIMA时序模型捕捉温室气体浓度的趋势与季节性；随机森林、XGBoost、SVM处理驱动因素的多元非线性关系；CNN提取遥感影像中的气溶胶-云空间特征；RNN/LSTM/Transformer建模长程气候记忆；R-CNN实现野火气溶胶的智能探测识别——从"甲烷、CO₂、水汽的时序预测"到"气候变化对农作物生产的定量影响评估"，每个模型都对应真实的科研场景。

专题一、气候变化驱动因素与数据科学基础

1.1、气候变化

全球气候变化

中国碳中和计划

CMIP6气候数据简介

1.2、相关驱动因素导致全球全球气候变化

温室气体排放

云和气溶胶

火灾

生态环境

农业生产

1.3、ChatGPT的简介和应用

ChatGPT的简介（t通过AI Agent的方式介绍）

ChatGPT的使用

ChatGPT的Prompt的模板（Elavis Saravia框架和CRISPE框架）

1.4、不同大模型对比

ChatGPT、Gemini、Deepseek、Claude、Grok等介绍并对比（什么事TOKENS、WindowContext、API调用费用）

1.5、气候数据科学的应用

数据科学在气候变化研究中的作用

机器学习和深度学习分析气候数据，预测气候变化趋势

数据科学流程，包括数据获取、清洗、建模和结果解释

专题二、Python数据处理和可视化

2.1、Python环境的安装（Anaconda环境安装，虚拟环境的配置，Jupyter Notebook安装）

2.2、Python相关库原理介绍（Numpy，Pandas，Matplotlib，Cartopy，Pyhdf）

2.3、Jupyter Notebook实操:

Numpy库（最小值，最大值，平均值，标准差，NaN数据）

Matplotlib库（折线图，散点图，饼状图，热力图）

Pandas库(数据读取)

Cartopy库（投影方式；分辨率，海岸线，河流，国界线；轨迹线；截取区域）

Pyhdf库（读取卫星数据）

专题三、机器学习模型

3.1机器学习的分类

监督学习（Supervised Learning）

非监督学习（Unsupervised Learning）

3.2监督学习

监督回归算法（Regression Algorithms）

线性回归（Linear Regression）

多项式回归（Polynomial Regression）

监督分类算法（Classification Algorithms）

逻辑回归（Logistic Regression）

K最近邻（K-Nearest Neighbors, KNN）

支持向量机（Support Vector Machines, SVM）

决策树（Decision Trees）

随机森林（Random Forests）

梯度提升机（Gradient Boosting Machines, GBM）

3.3 非监督学习

聚类算法（Clustering Algorithms）

K-means聚类

层次聚类（Hierarchical Clustering）

降维技术（Dimensionality Reduction）

主成分分析（Principal Component Analysis, PCA）

案例：不同汽车类型对气温的影响（甲烷、二氧化碳、水气）

3.4模型评估指标

回归指标（MSE、RMSE、MAE、R²）

分类指标（Accuracy、Precision、Recall、F1-Score）

3.5 ARIMA（自回归差分移动平均）

ARIMA是时间序列分析与预测的统计模型。它可以用于处理平稳时间序列和非平稳时间序列，通过捕捉时间序列中的自相关和趋势信息来进行预测。

案例：温室气体浓度的时序分析与预测（甲烷、二氧化碳、水气）

专题四、深度学习模型

4.1神经网络基础（Artificial Neural Networks, ANN）

4.2深度学习框架：TensorFlow和PyTorch

4.3卷积神经网络（Convolutional Neural Networks, CNN）

4.4 循环神经网络（Recurrent Neural Networks, RNN）

4.5 长短期记忆网络（Long Short-Term Memory, LSTM，Transformer模型）

4.6 使用NN-SVG、torchviz、ChatGPT画神经网络图图，辅助科研论文撰写。

专题五、课程实战

5.1、全球气候变化相关数据集下载与处理（MERRA2气溶胶、MODIS气溶胶、MODIS海冰、MODIS叶绿素、CALIPSO气溶胶、AERONET气溶胶）

5.2、CMIP6数据集下载和处理案例

5.3、野火气溶胶探测识别（R-CNN）

5.4、气候变化对农作物的影响（农作物生产）

专题六、LLM大模型与AI Agent的相关特征

6.1、AI Agent基础： 以AlphaGo为例解析AI Agent的原理。

6.2、大语言模型优势： 探讨ChatGPT、Deepseek、grok-3等模型如何成为AI Agent的大脑。

6.3、如何通过LLM大模型构建自己的AI Agent，整合气候数据分析与科研需求。

6.4、 演示如何利用AI Agent进行智能数据处理与决策支持

专题七、通过LLM大模型建立自己的AI Agent

7.1、本地大模型下载与配置： 安装Ollama等本地大语言模型。

7.2、使用Prompt训练本地大模型

7.3、构建并训练专属AI Agent，实现与Python的无缝对接

7.4、API接口应用： 利用ChatGPT API进行模型调用，并调用DALL-E-3绘图。

7.5、通过LLM大模型训练自己专属的AI Agent（机器学习、深度学习、气候变化等专属AI Agent）

专题八、几种大语言模型对比和课程总结

8.1、大语言模型对比： 分析ChatGPT、Deepseek和grok-3在科研与开发中的不同优势与应用场景。

8.2、课程回顾： 总结课程重点内容与核心技能。

8.3、未来展望： 探讨大模型在气候变化领域的进一步应用与研究方向。